สมัครเรียนโทร. 085-350-7540 , 084-88-00-255 , ntprintf@gmail.com

AI / Machine Learning

Machine Learning Machine Learning - Mean Median Mode Machine Learning - Standard Deviation Machine Learning - Percentiles Machine Learning - Data Distribution Machine Learning - Normal Data Distribution Machine Learning - Scatter Plot Machine Learning - Linear Regression Machine Learning - Multiple Regression Machine Learning - Polynomial Regression Machine Learning - Scale Machine Learning - Train/Test Machine Learning - Decision Tree The brief history of artificial intelligence - ประวัติศาสตร์ AI ฉบับย่อ Jupyter Notebook on AWS Pandas Tutorials ตรวจจับตำแหน่งของมือจากกล้องเว็บแคมแบบเรียลไทม์ด้วย Python ง่าย ๆ ใน 2 นาที ตรวจจับวัตถุด้วย Python ใน 5 Steps ใช้ AI แบ่งส่วนภาพคนกับฉากหลังแบบง่าย ๆ แป๊บเดียวเสร็จ ใช้ AI บอกท่าทางคนด้วย Code เพียง 15 บรรทัด สร้างแอนิเมชันจากตัวการ์ตูนที่เราวาดเองด้วย Code 2 บรรทัด สร้างไฟล์ท่าเต้นสุดคิวท์ให้ตัวการ์ตูนเต้นตามใน 1 คำสั่ง Artificial Intelligence (AI) Machine Learning 8 Fun Machine Learning ProjectsFor Beginner การหาค่าเหมาะที่สุด (Optimization) Mathematical Optimization Top 20 Python Machine Learning Open Source Projects Introduction to Neural Networks Introduction to Deep Learning with TensorFlow Installing TensorFlow for Deep Learning - OPTIONAL Deep Learning with TensorFlow - Creating the Neural Network Model Deep Learning with TensorFlow - How the Network will run พื้นฐาน TensorFlow - TensorFlow คืออะไร พื้นฐาน TensorFlow - การติดตั้ง TensorFlow บน Windows, macOS, และ Linux พื้นฐาน TensorFlow - การติดตั้ง TensorFlow สำหรับ GPU พื้นฐาน TensorFlow - การติดตั้ง TensorFlow บน Google Colab พื้นฐาน TensorFlow - ความเข้าใจพื้นฐานเกี่ยวกับ Tensor (Tensor คืออะไร) พื้นฐาน TensorFlow - การใช้ tf.constant() เพื่อสร้าง Tensor พื้นฐาน TensorFlow - การใช้ tf.Variable() เพื่อสร้างตัวแปร พื้นฐาน TensorFlow - การเปลี่ยนแปลงค่าของ Tensor พื้นฐาน TensorFlow - การทำงานกับ Operations ใน TensorFlow พื้นฐาน TensorFlow - การใช้ tf.add(), tf.subtract(), tf.multiply() TensorFlow การจัดการกับ Tensors - การเปลี่ยนรูปทรงของ Tensor ด้วย tf.reshape() TensorFlow การจัดการกับ Tensors - การเปลี่ยนชนิดข้อมูลของ Tensor ด้วย tf.cast() TensorFlow การจัดการกับ Tensors - การตัดแบ่งและรวม Tensor ด้วย tf.split() และ tf.concat() TensorFlow การจัดการกับ Tensors - การสร้าง Tensors แบบสุ่มด้วย tf.random() TensorFlow การจัดการกับ Tensors - การใช้งาน Broadcasting ใน TensorFlow TensorFlow การจัดการกับ Tensors - การคำนวณค่าเฉลี่ยและผลรวมของ Tensor TensorFlow การจัดการกับ Tensors - การหาค่าสูงสุดและต่ำสุดใน Tensor TensorFlow การจัดการกับ Tensors - การสร้าง Identity Matrix ด้วย tf.eye() TensorFlow การจัดการกับ Tensors - การหา Trace ของ Matrix TensorFlow การจัดการกับ Tensors - การคำนวณ Determinant ของ Matrix TensorFlow การทำงานกับกราฟ - การสร้าง Computational Graph TensorFlow การทำงานกับกราฟ - การใช้ Autograph ใน TensorFlow TensorFlow การทำงานกับกราฟ - การใช้ tf.function เพื่อเร่งความเร็วการทำงาน TensorFlow การทำงานกับกราฟ - การตรวจสอบ Graph ด้วย tf.summary TensorFlow การทำงานกับกราฟ - การใช้ TensorBoard เพื่อแสดงผล Graph TensorFlow การทำงานกับกราฟ - การทำงานกับ Control Flow (เช่น tf.while_loop, tf.cond) TensorFlow การทำงานกับกราฟ - การสร้าง Custom Operations TensorFlow การทำงานกับกราฟ - การใช้ Gradient Tape เพื่อคำนวณอนุพันธ์ TensorFlow การทำงานกับกราฟ - การทำ Automatic Differentiation TensorFlow การทำงานกับกราฟ - การใช้งาน Gradient Descent Optimizer TensorFlow การสร้างและจัดการโมเดล - การใช้ Sequential API ในการสร้างโมเดล TensorFlow การสร้างและจัดการโมเดล - การสร้างโมเดลด้วย Functional API TensorFlow การสร้างและจัดการโมเดล - การสร้าง Custom Layers ใน TensorFlow TensorFlow การสร้างและจัดการโมเดล - การสร้างและฝึกโมเดลด้วย Model.fit() TensorFlow การสร้างและจัดการโมเดล - การปรับแต่งโมเดลด้วย Model.compile() TensorFlow การสร้างและจัดการโมเดล - การใช้ Loss Functions เช่น MeanSquaredError, CategoricalCrossentropy TensorFlow การสร้างและจัดการโมเดล - การใช้งาน Optimizers เช่น Adam, SGD TensorFlow การสร้างและจัดการโมเดล - การทำ Regularization ในโมเดล (L1, L2) TensorFlow การสร้างและจัดการโมเดล - การสร้างโมเดลด้วย Keras API ใน TensorFlow TensorFlow การสร้างและจัดการโมเดล - การบันทึกและโหลดโมเดลที่ฝึกแล้วด้วย Model.save() และ Model.load_model() TensorFlow การทำงานกับข้อมูล - การโหลดข้อมูลจาก CSV ด้วย tf.data.Dataset TensorFlow การทำงานกับข้อมูล - การใช้ tf.data.Dataset.from_tensor_slices() เพื่อสร้าง Dataset TensorFlow การทำงานกับข้อมูล - การปรับขนาดและแปลงรูปภาพใน Dataset TensorFlow การทำงานกับข้อมูล - การทำงานกับ Batch Data ด้วย Dataset.batch() TensorFlow การทำงานกับข้อมูล - การใช้ Dataset.map() เพื่อแปลงข้อมูล TensorFlow การทำงานกับข้อมูล - การทำ Shuffling ข้อมูลด้วย Dataset.shuffle() TensorFlow การทำงานกับข้อมูล - การโหลดข้อมูลจาก TFRecord Files TensorFlow การทำงานกับข้อมูล - การเขียนข้อมูลเป็น TFRecord Files TensorFlow การทำงานกับข้อมูล - การทำ Prefetching ข้อมูลเพื่อเพิ่มความเร็ว TensorFlow การทำงานกับข้อมูล - การทำงานกับ Sequence Data ใน TensorFlow TensorFlow การประมวลผลภาพ - การใช้ TensorFlow กับชุดข้อมูล MNIST TensorFlow การประมวลผลภาพ - การโหลดและแสดงรูปภาพด้วย TensorFlow TensorFlow การประมวลผลภาพ - การทำงานกับ tf.image สำหรับการจัดการรูปภาพ TensorFlow การประมวลผลภาพ - การทำการเปลี่ยนขนาดรูปภาพ (Resizing) TensorFlow การประมวลผลภาพ - การทำการหมุนและสะท้อนรูปภาพ TensorFlow การประมวลผลภาพ - การทำ Image Augmentation TensorFlow การประมวลผลภาพ - การทำ Normalization ของภาพ TensorFlow การประมวลผลภาพ - การทำการปรับแต่งข้อมูลสำหรับการฝึกโมเดล (Data Preprocessing) TensorFlow การประมวลผลภาพ - การทำการจัดแบ่งข้อมูลเป็น Training และ Testing Sets TensorFlow การประมวลผลภาพ - การใช้ ImageDataGenerator ในการจัดการข้อมูลภาพ TensorFlow การสร้างโมเดลการรู้จำภาพ (Image Classification) - การสร้าง Convolutional Neural Network (CNN) TensorFlow การสร้างโมเดลการรู้จำภาพ (Image Classification) - การใช้งาน Convolution Layers TensorFlow การสร้างโมเดลการรู้จำภาพ (Image Classification) - การใช้ Max Pooling และ Average Pooling TensorFlow การสร้างโมเดลการรู้จำภาพ (Image Classification) - การใช้ Dropout เพื่อป้องกัน Overfitting TensorFlow การสร้างโมเดลการรู้จำภาพ (Image Classification) - การสร้างโมเดล CNN สำหรับการรู้จำภาพ TensorFlow การสร้างโมเดลการรู้จำภาพ (Image Classification) - การใช้ Transfer Learning ด้วยโมเดลที่ถูกฝึกมาแล้ว (Pre-trained Models) TensorFlow การสร้างโมเดลการรู้จำภาพ (Image Classification) - การใช้งานโมเดลเช่น VGG16, ResNet, Inception TensorFlow การสร้างโมเดลการรู้จำภาพ (Image Classification) - การประยุกต์ใช้ Fine-Tuning ในโมเดล Pre-trained TensorFlow การสร้างโมเดลการรู้จำภาพ (Image Classification) - การทำการทำนายภาพด้วยโมเดลที่ถูกฝึก TensorFlow การสร้างโมเดลการรู้จำภาพ (Image Classification) - การประเมินผลการทำนายด้วย Accuracy และ Confusion Matrix TensorFlow การทำงานกับ Sequential Data และ Time Series - การสร้าง Recurrent Neural Network (RNN) TensorFlow การทำงานกับ Sequential Data และ Time Series - การใช้งาน Simple RNN Layers TensorFlow การทำงานกับ Sequential Data และ Time Series - การใช้งาน Long Short-Term Memory (LSTM) TensorFlow การทำงานกับ Sequential Data และ Time Series - การใช้งาน Gated Recurrent Unit (GRU) TensorFlow การทำงานกับ Sequential Data และ Time Series - การสร้างโมเดลเพื่อทำนาย Time Series TensorFlow การทำงานกับ Sequential Data และ Time Series - การจัดการกับ Sequence Padding TensorFlow การทำงานกับ Sequential Data และ Time Series - การทำงานกับ Variable Length Sequences TensorFlow การทำงานกับ Sequential Data และ Time Series - การใช้ Attention Mechanism ใน Time Series TensorFlow การทำงานกับ Sequential Data และ Time Series - การสร้างและฝึก Transformer Networks TensorFlow การทำงานกับ Sequential Data และ Time Series - การประยุกต์ใช้โมเดล RNN/LSTM ในการสร้าง Text Generation TensorFlow การประมวลผลข้อความ (Text Processing) - การทำงานกับข้อความใน TensorFlow TensorFlow การประมวลผลข้อความ (Text Processing) - การใช้ Tokenization เพื่อแปลงข้อความเป็นตัวเลข TensorFlow การประมวลผลข้อความ (Text Processing) - การสร้าง Embeddings ด้วย tf.keras.layers.Embedding TensorFlow การประมวลผลข้อความ (Text Processing) - การใช้ Word2Vec ใน TensorFlow TensorFlow การประมวลผลข้อความ (Text Processing) - การทำการรู้จำความหมายในประโยคด้วย Sentiment Analysis TensorFlow การประมวลผลข้อความ (Text Processing) - การสร้างโมเดลสำหรับการจำแนกข้อความ TensorFlow การประมวลผลข้อความ (Text Processing) - การทำ Sequence to Sequence Learning TensorFlow การประมวลผลข้อความ (Text Processing) - การใช้ Attention Mechanism ใน NLP TensorFlow การประมวลผลข้อความ (Text Processing) - การสร้างโมเดลสำหรับ Machine Translation TensorFlow การประมวลผลข้อความ (Text Processing) - การใช้ Pre-trained Transformers เช่น BERT, GPT-2 ใน TensorFlow TensorFlow การเรียนรู้เชิงลึกขั้นสูง - การทำงานกับ Generative Adversarial Networks (GANs) TensorFlow การเรียนรู้เชิงลึกขั้นสูง - การสร้าง Discriminator และ Generator ใน GAN TensorFlow การเรียนรู้เชิงลึกขั้นสูง - การสร้าง Conditional GAN (cGAN) TensorFlow การเรียนรู้เชิงลึกขั้นสูง - การสร้าง Variational Autoencoders (VAEs) TensorFlow การเรียนรู้เชิงลึกขั้นสูง - การทำงานกับ Self-Supervised Learning TensorFlow การเรียนรู้เชิงลึกขั้นสูง - การประยุกต์ใช้ Reinforcement Learning ด้วย TensorFlow TensorFlow การเรียนรู้เชิงลึกขั้นสูง - การใช้ Proximal Policy Optimization (PPO) TensorFlow การเรียนรู้เชิงลึกขั้นสูง - การใช้ Deep Q-Learning (DQN) TensorFlow การเรียนรู้เชิงลึกขั้นสูง - การสร้างและฝึกโมเดล Deep Reinforcement Learning TensorFlow การเรียนรู้เชิงลึกขั้นสูง - การใช้ TensorFlow Lite เพื่อ Deploy โมเดลบน Mobile พื้นฐาน Keras - Keras คืออะไร พื้นฐาน Keras - ความแตกต่างระหว่าง Keras และ TensorFlow พื้นฐาน Keras - การติดตั้ง Keras ผ่าน TensorFlow พื้นฐาน Keras - Keras API คืออะไร พื้นฐาน Keras - การใช้ Keras กับ TensorFlow พื้นฐาน Keras - การใช้ Keras บน Google Colab พื้นฐาน Keras - ความเข้าใจเกี่ยวกับ Sequential API ใน Keras พื้นฐาน Keras - การใช้ Functional API ใน Keras พื้นฐาน Keras - การใช้ Model Subclassing ใน Keras พื้นฐาน Keras - การใช้ Input() ในการสร้าง Input Layer การสร้างโมเดลพื้นฐานใน Keras - การสร้างโมเดล Sequential ด้วย Keras การสร้างโมเดลพื้นฐานใน Keras - การเพิ่มเลเยอร์ในโมเดลด้วย model.add() การสร้างโมเดลพื้นฐานใน Keras - การสร้างโมเดลด้วย Functional API การสร้างโมเดลพื้นฐานใน Keras - การเชื่อมโยงเลเยอร์หลายทางด้วย Functional API การสร้างโมเดลพื้นฐานใน Keras - การสร้างโมเดลแบบมีหลายอินพุตและหลายเอาต์พุต การสร้างโมเดลพื้นฐานใน Keras - การใช้เลเยอร์ Dense ใน Keras การสร้างโมเดลพื้นฐานใน Keras - การใช้เลเยอร์ Activation เพื่อเพิ่มฟังก์ชันการกระตุ้น การสร้างโมเดลพื้นฐานใน Keras - การใช้เลเยอร์ Dropout เพื่อป้องกันการ Overfitting การสร้างโมเดลพื้นฐานใน Keras - การใช้เลเยอร์ BatchNormalization เพื่อเร่งความเร็วในการฝึกโมเดล การสร้างโมเดลพื้นฐานใน Keras - การใช้เลเยอร์ Flatten เพื่อทำให้ Tensor แบนราบ Keras การทำงานกับ Optimizers, Loss Functions, และ Metrics - การใช้ model.compile() เพื่อเตรียมโมเดลสำหรับการฝึก Keras การทำงานกับ Optimizers, Loss Functions, และ Metrics - การเลือกใช้ Optimizers เช่น SGD, Adam, RMSprop Keras การทำงานกับ Optimizers, Loss Functions, และ Metrics - การใช้ Loss Functions เช่น MeanSquaredError, CategoricalCrossentropy Keras การทำงานกับ Optimizers, Loss Functions, และ Metrics - การเพิ่ม Metrics ในการประเมินโมเดล เช่น Accuracy Keras การทำงานกับ Optimizers, Loss Functions, และ Metrics - การใช้ Custom Loss Function Keras การทำงานกับ Optimizers, Loss Functions, และ Metrics - การสร้าง Custom Metric Keras การทำงานกับ Optimizers, Loss Functions, และ Metrics - การใช้ Custom Optimizer Keras การทำงานกับ Optimizers, Loss Functions, และ Metrics - การทำงานกับ Learning Rate Scheduling Keras การทำงานกับ Optimizers, Loss Functions, และ Metrics - การใช้ Early Stopping เพื่อป้องกันการ Overfitting Keras การทำงานกับ Optimizers, Loss Functions, และ Metrics - การใช้ ReduceLROnPlateau เพื่อลดค่า Learning Rate อัตโนมัติ การฝึกโมเดลใน Keras - การฝึกโมเดลด้วย model.fit() การฝึกโมเดลใน Keras - การฝึกโมเดลด้วย Mini-batch Gradient Descent การฝึกโมเดลใน Keras - การประเมินผลโมเดลด้วย model.evaluate() การฝึกโมเดลใน Keras - การทำนายผลลัพธ์ด้วย model.predict() การฝึกโมเดลใน Keras - การใช้ Validation Data ในการฝึกโมเดล การฝึกโมเดลใน Keras - การปรับแต่งจำนวน Epochs และ Batch Size การฝึกโมเดลใน Keras - การทำ Cross-Validation ใน Keras การฝึกโมเดลใน Keras - การใช้ fit_generator() สำหรับการฝึกข้อมูลขนาดใหญ่ การฝึกโมเดลใน Keras - การใช้ Callbacks ใน Keras การฝึกโมเดลใน Keras - การเก็บข้อมูลการฝึกด้วย History Object การบันทึกและโหลดโมเดลใน Keras - การบันทึกโมเดลด้วย model.save() การบันทึกและโหลดโมเดลใน Keras - การบันทึกโมเดลในรูปแบบ HDF5 การบันทึกและโหลดโมเดลใน Keras - การบันทึกโมเดลในรูปแบบ SavedModel (TensorFlow) การบันทึกและโหลดโมเดลใน Keras - การโหลดโมเดลด้วย load_model() การบันทึกและโหลดโมเดลใน Keras - การบันทึกเฉพาะน้ำหนักโมเดลด้วย model.save_weights() การบันทึกและโหลดโมเดลใน Keras - การโหลดน้ำหนักโมเดลด้วย model.load_weights() การบันทึกและโหลดโมเดลใน Keras - การใช้ Checkpoint เพื่อบันทึกโมเดลระหว่างการฝึก การบันทึกและโหลดโมเดลใน Keras - การบันทึกโมเดลแบบ Sequential และ Functional API การบันทึกและโหลดโมเดลใน Keras - การทำการบันทึกโมเดลหลายเวอร์ชันด้วย Checkpoints การบันทึกและโหลดโมเดลใน Keras - การบันทึกโมเดลที่ดีที่สุดด้วย EarlyStopping และ Checkpoints การทำงานกับข้อมูลใน Keras - การโหลดข้อมูลจากไฟล์ CSV ด้วย Keras การทำงานกับข้อมูลใน Keras - การใช้ ImageDataGenerator สำหรับการโหลดและแปลงข้อมูลภาพ การทำงานกับข้อมูลใน Keras - การทำ Image Augmentation ด้วย ImageDataGenerator การทำงานกับข้อมูลใน Keras - การโหลดข้อมูลจาก tf.data.Dataset การทำงานกับข้อมูลใน Keras - การทำงานกับ Sequence Data ด้วย TimeseriesGenerator การทำงานกับข้อมูลใน Keras - การใช้ pad_sequences เพื่อจัดการกับข้อมูลที่ไม่สมดุล การทำงานกับข้อมูลใน Keras - การทำ Normalization ของข้อมูลด้วย StandardScaler การทำงานกับข้อมูลใน Keras - การทำ One-Hot Encoding ของข้อมูลที่เป็นหมวดหมู่ การทำงานกับข้อมูลใน Keras - การแยกข้อมูลเป็นชุดการฝึกและชุดการทดสอบ การทำงานกับข้อมูลใน Keras - การโหลดข้อมูล MNIST ใน Keras Keras การสร้างโมเดล Convolutional Neural Networks (CNN) - การสร้างเลเยอร์ Convolution ด้วย Conv2D Keras การสร้างโมเดล Convolutional Neural Networks (CNN) - การใช้เลเยอร์ MaxPooling และ AveragePooling Keras การสร้างโมเดล Convolutional Neural Networks (CNN) - การสร้างโมเดล CNN สำหรับการรู้จำภาพ Keras การสร้างโมเดล Convolutional Neural Networks (CNN) - การใช้เลเยอร์ GlobalMaxPooling และ GlobalAveragePooling Keras การสร้างโมเดล Convolutional Neural Networks (CNN) - การใช้เลเยอร์ Dropout ร่วมกับ CNN เพื่อป้องกัน Overfitting Keras การสร้างโมเดล Convolutional Neural Networks (CNN) - การเพิ่ม BatchNormalization ใน CNN เพื่อเร่งความเร็วการฝึก Keras การสร้างโมเดล Convolutional Neural Networks (CNN) - การใช้ Padding กับเลเยอร์ Convolution Keras การสร้างโมเดล Convolutional Neural Networks (CNN) - การใช้ Dilated Convolution ใน Keras Keras การสร้างโมเดล Convolutional Neural Networks (CNN) - การทำ Fine-Tuning โมเดล CNN Keras การสร้างโมเดล Convolutional Neural Networks (CNN) - การใช้ Transfer Learning ร่วมกับโมเดล CNN Keras การสร้างโมเดล Recurrent Neural Networks (RNN) - การสร้างเลเยอร์ Simple RNN Keras การสร้างโมเดล Recurrent Neural Networks (RNN) - การสร้างเลเยอร์ Long Short-Term Memory (LSTM) Keras การสร้างโมเดล Recurrent Neural Networks (RNN) - การสร้างเลเยอร์ Gated Recurrent Unit (GRU) Keras การสร้างโมเดล Recurrent Neural Networks (RNN) - การประยุกต์ใช้ RNN ในการทำนาย Time Series Keras การสร้างโมเดล Recurrent Neural Networks (RNN) - การสร้าง Text Generation ด้วย RNN Keras การสร้างโมเดล Recurrent Neural Networks (RNN) - การใช้ Bidirectional RNN ใน Keras Keras การสร้างโมเดล Recurrent Neural Networks (RNN) - การใช้ Attention Mechanism ใน RNN Keras การสร้างโมเดล Recurrent Neural Networks (RNN) - การทำ Sequence-to-Sequence Learning ด้วย RNN Keras การสร้างโมเดล Recurrent Neural Networks (RNN) - การจัดการกับ Sequence Padding ใน RNN Keras การสร้างโมเดล Recurrent Neural Networks (RNN) - การประยุกต์ใช้ RNN ในงาน NLP Keras การสร้างโมเดลการประมวลผลภาพ - การสร้างโมเดลการรู้จำภาพด้วย CNN Keras การสร้างโมเดลการประมวลผลภาพ - การใช้ Pre-trained Models เช่น VGG16, ResNet Keras การสร้างโมเดลการประมวลผลภาพ - การใช้ Transfer Learning ในงานการรู้จำภาพ Keras การสร้างโมเดลการประมวลผลภาพ - การใช้โมเดล MobileNet สำหรับการรู้จำภาพ Keras การสร้างโมเดลการประมวลผลภาพ - การทำการ Segment ภาพด้วย Fully Convolutional Networks (FCN) Keras การสร้างโมเดลการประมวลผลภาพ - การทำการ Segmentation ด้วย UNet Keras การสร้างโมเดลการประมวลผลภาพ - การทำการตรวจจับวัตถุด้วย YOLO (You Only Look Once) Keras การสร้างโมเดลการประมวลผลภาพ - การใช้โมเดล SSD (Single Shot Multibox Detector) Keras การสร้างโมเดลการประมวลผลภาพ - การทำ Image Captioning ด้วย CNN + RNN Keras การสร้างโมเดลการประมวลผลภาพ - การสร้างโมเดลการรู้จำใบหน้า Keras การทำงานกับ Natural Language Processing (NLP) - การใช้ Tokenizer ในการจัดการกับข้อความ Keras การทำงานกับ Natural Language Processing (NLP) - การสร้าง Word Embedding ด้วย Embedding Layer Keras การทำงานกับ Natural Language Processing (NLP) - การใช้ Pre-trained Word Embeddings เช่น GloVe Keras การทำงานกับ Natural Language Processing (NLP) - การทำงานกับ One-Hot Encoding ในงาน NLP Keras การทำงานกับ Natural Language Processing (NLP) - การสร้างโมเดลสำหรับ Sentiment Analysis Keras การทำงานกับ Natural Language Processing (NLP) - การสร้างโมเดลสำหรับการจำแนกข้อความ Keras การทำงานกับ Natural Language Processing (NLP) - การทำงานกับ Seq2Seq Models ในการแปลภาษา Keras การทำงานกับ Natural Language Processing (NLP) - การสร้างโมเดล Text Generation Keras การทำงานกับ Natural Language Processing (NLP) - การใช้ Attention Mechanism ในงาน NLP Keras การทำงานกับ Natural Language Processing (NLP) - การประยุกต์ใช้ BERT และ GPT-2 ใน Keras OpenCV การใช้งานร่วมกับ Machine Learning และ Deep Learning - การทำการคาดการณ์ด้วย OpenCV DNN Module OpenCV การใช้งานร่วมกับ Machine Learning และ Deep Learning - การโหลด Pre-trained Models ใน OpenCV OpenCV การใช้งานร่วมกับ Machine Learning และ Deep Learning - การใช้ OpenCV ร่วมกับ TensorFlow OpenCV การใช้งานร่วมกับ Machine Learning และ Deep Learning - การใช้ OpenCV ร่วมกับ Keras OpenCV การใช้งานร่วมกับ Machine Learning และ Deep Learning - การทำการ Segmentation ด้วย Fully Convolutional Networks (FCN) OpenCV การใช้งานร่วมกับ Machine Learning และ Deep Learning - การทำการ Semantic Segmentation OpenCV การใช้งานร่วมกับ Machine Learning และ Deep Learning - การทำการ Instance Segmentation OpenCV การใช้งานร่วมกับ Machine Learning และ Deep Learning - การทำการ Super Resolution ด้วย OpenCV OpenCV การใช้งานร่วมกับ Machine Learning และ Deep Learning - การใช้ OpenCV กับ Transfer Learning OpenCV การใช้งานร่วมกับ Machine Learning และ Deep Learning - การทำงานกับการตรวจจับและรู้จำวัตถุในวิดีโอแบบ Real-time

Python AI / Machine Learning
Share

Machine Learning - Scale

เรียนเขียนโปรแกรมง่ายๆกับ Expert Programming Tutor ในบท Machine Learning - Scale 
เนื้อหาในบทนี้เราจะเรียนรู้เกี่ยวกับ Scale เมื่อข้อมูลของนักเรียนมีค่าแตกต่างกันและแม้แต่หน่วยการวัดที่แตกต่างกันมันอาจเป็นการยากที่จะเปรียบเทียบ กิโลกรัมเปรียบเทียบกับเมตรคืออะไร หรือระดับความสูงเมื่อเทียบกับเวลา? 
คำตอบของปัญหานี้คือการปรับสเกล เราสามารถปรับขนาดข้อมูลเป็นค่าใหม่ที่ง่ายต่อการเปรียบเทียบ ลองดูตารางด้านล่างมันเป็นชุดข้อมูลเดียวกับที่เราใช้ในบทการถดถอยหลายครั้ง แต่คราวนี้คอลัมน์ปริมาณมีค่าเป็นลิตรแทนที่จะเป็น ccm (1.0 แทน 1,000)

Toyota

Aygo

1.0

790

99

Mitsubishi

Space Star

1.2

1160

95

Skoda

Citigo

1.0

929

95

Fiat

500

0.9

865

90

Mini

Cooper

1.5

1140

105

VW

Up!

1.0

929

105

Skoda

Fabia

1.4

1109

90

Mercedes

A-Class

1.5

1365

92

Ford

Fiesta

1.5

1112

98

Audi

A1

1.6

1150

99

Hyundai

I20

1.1

980

99

Suzuki

Swift

1.3

990

101

Ford

Fiesta

1.0

1112

99

Honda

Civic

1.6

1252

94

Hundai

I30

1.6

1326

97

Opel

Astra

1.6

1330

97

BMW

1

1.6

1365

99

Mazda

3

2.2

1280

104

Skoda

Rapid

1.6

1119

104

Ford

Focus

2.0

1328

105

Ford

Mondeo

1.6

1584

94

Opel

Insignia

2.0

1428

99

Mercedes

C-Class

2.1

1365

99

Skoda

Octavia

1.6

1415

99

Volvo

S60

2.0

1415

99

Mercedes

CLA

1.5

1465

102

Audi

A4

2.0

1490

104

Audi

A6

2.0

1725

114

Volvo

V70

1.6

1523

109

BMW

5

2.0

1705

114

Mercedes

E-Class

2.1

1605

115

Volvo

XC70

2.0

1746

117

Ford

B-Max

1.6

1235

104

BMW

2

1.6

1390

108

Opel

Zafira

1.6

1405

109

Mercedes

SLK

2.5

1395

120

เป็นเรื่องยากที่จะเปรียบเทียบปริมาตร 1.0 กับน้ำหนัก 790 แต่ถ้าเราปรับขนาดทั้งสองเป็นค่าที่เทียบเคียงได้เราจะเห็นได้ว่าค่าหนึ่งมีค่าเท่ากันเมื่อเปรียบเทียบกับค่าอื่น ๆ มีวิธีการต่าง ๆ สำหรับการปรับขนาดข้อมูลในบทช่วยสอนนี้เราจะใช้วิธีการที่เรียกว่า วิธีการมาตรฐานใช้สูตรนี้

z = (x - u) / s

โดยที่ z คือค่าใหม่ x คือค่าดั้งเดิม u คือค่าเฉลี่ยและ s คือค่าเบี่ยงเบนมาตรฐานหากนักเรียนใช้คอลัมน์น้ำหนักจากชุดข้อมูลด้านบนค่าแรกคือ 790 และค่าที่ปรับจะเป็น(790 - 1292.23) / 238.74 = -2.1
หากนักเรียนนำคอลัมน์ปริมาณจากชุดข้อมูลด้านบนค่าแรกคือ 1.0 และค่าที่ปรับจะเป็น (1.0 - 1.61) / 0.38 = -1.59
ตอนนี้นักเรียนสามารถเปรียบเทียบ -2.1 กับ -1.59 แทนที่จะเปรียบเทียบ 790 กับ 1.0 นักเรียนไม่ต้องทำสิ่งนี้ด้วยตนเองโมดูล Python sklearn มีวิธีที่เรียกว่า StandardScaler() ซึ่งจะส่งคืนวัตถุ Scaler ด้วยวิธีการเปลี่ยนชุดข้อมูล
ตัวอย่าง
ปรับขนาดค่าทั้งหมดในคอลัมน์น้ำหนักและปริมาณ

import pandas
from sklearn import linear_model
from sklearn.preprocessing import StandardScaler
scale = StandardScaler()
df = pandas.read_csv("cars2.csv")
X = df[['Weight', 'Volume']]
scaledX = scale.fit_transform(X)
print(scaledX)

ผลลัพธ์

[[-2.10389253 -1.59336644]
 [-0.55407235 -1.07190106]
 [-1.52166278 -1.59336644]
 [-1.78973979 -1.85409913]
 [-0.63784641 -0.28970299]
 [-1.52166278 -1.59336644]
 [-0.76769621 -0.55043568]
 [ 0.3046118  -0.28970299]
 [-0.7551301  -0.28970299]
 [-0.59595938 -0.0289703 ]
 [-1.30803892 -1.33263375]
 [-1.26615189 -0.81116837]
 [-0.7551301  -1.59336644]
 [-0.16871166 -0.0289703 ]
 [ 0.14125238 -0.0289703 ]
 [ 0.15800719 -0.0289703 ]
 [ 0.3046118  -0.0289703 ]
 [-0.05142797  1.53542584]
 [-0.72580918 -0.0289703 ]
 [ 0.14962979  1.01396046]
 [ 1.2219378  -0.0289703 ]
 [ 0.5685001   1.01396046]
 [ 0.3046118   1.27469315]
 [ 0.51404696 -0.0289703 ]
 [ 0.51404696  1.01396046]
 [ 0.72348212 -0.28970299]
 [ 0.8281997   1.01396046]
 [ 1.81254495  1.01396046]
 [ 0.96642691 -0.0289703 ]
 [ 1.72877089  1.01396046]
 [ 1.30990057  1.27469315]
 [ 1.90050772  1.01396046]
 [-0.23991961 -0.0289703 ]
 [ 0.40932938 -0.0289703 ]
 [ 0.47215993 -0.0289703 ]
 [ 0.4302729   2.31762392]]

ทำนายค่า CO2
ภารกิจในบทถดถอยหลายครั้งคือการทำนายการปล่อย CO2 จากรถยนต์เมื่อนักเรียนรู้น้ำหนักและปริมาตรของมัน เมื่อปรับขนาดชุดข้อมูลนักเรียนจะต้องใช้มาตราส่วนเมื่อนักเรียนทำนายค่า
ตัวอย่าง
ทำนายการปล่อย CO2 จากรถยนต์ขนาด 1.3 ลิตรที่มีน้ำหนัก 2,300 กิโลกรัม

import pandas
from sklearn import linear_model
from sklearn.preprocessing import StandardScaler
scale = StandardScaler()
df = pandas.read_csv("cars2.csv")
X = df[['Weight', 'Volume']]
y = df['CO2']
scaledX = scale.fit_transform(X)
regr = linear_model.LinearRegression()
regr.fit(scaledX, y)
scaled = scale.transform([[2300, 1.3]])
predictedCO2 = regr.predict([scaled[0]])
print(predictedCO2)

ผลลัพธ์

[107.2087328]

แปลจากhttps://www.w3schools.com/python/python_ml_scale.asp


Tag ที่น่าสนใจ: machine_learning scale programming_tutor data_scaling comparison data_transformation statistics machine_learning_concepts programming_basics data_analysis quantitative_analysis

บทความนี้อาจจะมีที่ผิด กรุณาตรวจสอบก่อนใช้

หากมีข้อผิดพลาด/ต้องการพูดคุยเพิ่มเติมเกี่ยวกับบทความนี้ กรุณาแจ้งที่ http://m.me/Expert.Programming.Tutor

ไม่อยากอ่าน Tutorial อยากมาเรียนเลยทำอย่างไร?

สมัครเรียน ONLINE ได้ทันทีที่ https://elearn.expert-programming-tutor.com

หรือติดต่อ

085-350-7540 (DTAC)
084-88-00-255 (AIS)
026-111-618
หรือทาง EMAIL: NTPRINTF@GMAIL.COM

แผนที่ ที่ตั้งของอาคารของเรา

แผนผังการเรียนเขียนโปรแกรม

Link อื่นๆ

Allow sites to save and read cookie data.
Cookies are small pieces of data created by sites you visit. They make your online experience easier by saving browsing information. We use cookies to improve your experience on our website. By browsing this website, you agree to our use of cookies.

Copyright (c) 2013 expert-programming-tutor.com. All rights reserved. | 085-350-7540 | 084-88-00-255 | ntprintf@gmail.com

ติดต่อเราได้ที่

085-350-7540 (DTAC)
084-88-00-255 (AIS)
026-111-618
หรือทาง EMAIL: NTPRINTF@GMAIL.COM
แผนที่ ที่ตั้งของอาคารของเรา